AgentNLQ: 一种面向自然语言到SQL的通用智能体
本研究提出一种多智能体方法AgentNLQ，在BIRD基准上实现了78.1%的语义准确率，通过语义增强的架构表示和业务规则生成准确SQL查询，其关键创新包括优化编排器、先进架构增强方法，并证明了其跨域泛化能力。
来源arXiv AI作者: Olena Bogdanov, Yeunji Jung, Chandra Dhir, Pareekshitreddy Gaddam, Saurabh Jain, Lakshmi Tumati, Vijay Parthasarathy, Anup Shirgaonkar
自然语言转SQL（NL2SQL）转换是研究人员和企业面临的重要问题，因为关系数据库在广泛的实际问题中具有普遍重要性。尽管LLM的能力迅速提升，但NL2SQL在准确性上仍未达到人类专家SQL编写者的水平，因此需要进一步改进NL2SQL算法。
本研究提出了一种新的多智能体方法AgentNLQ，用于NL2SQL转换，在BIRD（大规模数据库大数据基准）上实现了78.1%的语义准确率。该方法利用用户提供的架构的语义增强表示，添加用户提供的业务规则，并生成准确的SQL查询。
主要贡献包括：（a）我们设计了一个优化的新编排器，在多智能体解决方案中使用LLM进行规划、编排、反思和自我纠正，以生成准确的SQL查询；（b）我们开发了一种先进的架构增强方法，创建上下文感知的元数据以提高准确性；（c）我们通过在BIRD-SQL基准上的评估，展示了该方法在不同领域和数据集上的准确性和泛化能力。
AgentNLQ代表了NL2SQL领域的重要进步，为将自然语言查询准确转换为SQL提供了一种通用的、多智能体的解决方案。该方法于2026年5月18日提交至arXiv，由Olena Bogdanov等八位作者共同完成。其多智能体架构包括规划器、编排器、反射器等多个组件，能够协同工作以处理复杂的SQL生成任务。通过利用LLM的推理能力，AgentNLQ在多个领域的数据集上均展现出优异的性能，为实际应用中的数据库查询自动化提供了新的可能性。